期望损失：为何VaR无法呈现完整图景

期望损失：为何VaR无法呈现完整图景

如果风险系统每天早上报告的数字遗漏了真正可能摧毁投资组合的情景，会怎样？数十年来，风险价值一直是"我们可能损失多少？"这一问题的标准答案。但VaR只回答了这个问题的狭义版本：它在给定置信水平下确定损失阈值，然后对超出部分保持沉默。99%的日度VaR为500万美元意味着每年大约有2.5次损失超过这个数字。这些超额损失平均是550万美元还是5000万美元，VaR对此一视同仁。

2002年，Carlo Acerbi和Dirk Tasche发表了一项证明，将这种沉默重新定义为结构性缺陷。他们的论文"On the Coherence of Expected Shortfall"证明了期望损失（ES）在包括离散分布在内的所有分布类型中，满足一致性风险度量所需的全部四个数学公理。这一结果为监管机构在全球银行标准中用ES替代VaR提供了理论基础。

VaR的一致性缺口

Artzner等人 (1999)已经确立了任何合理风险度量应满足的四个公理：平移不变性、次可加性、正齐次性和单调性。VaR通过了其中三个，但在次可加性上失败了——这正是编码"分散化不应增加风险"原则的公理。

这种失败是具体的。考虑两个各自持有集中头寸的交易部门。部门A的99% VaR为210万美元，部门B为180万美元。当公司合并两本账簿时，合并后的99% VaR可能超过430万美元，超出各部分之和的390万美元。在VaR下，合并头寸可能使分散化看起来增加了风险。这种病理现象源于VaR仅检查单一分位数。

Acerbi和Tasche的证明内容

Acerbi和Tasche (2002)的贡献在于弥合了一个技术性缺口。Artzner等人已经证明ES对连续分布是一致的，但许多现实中的损失分布是离散的（有限情景集、有限数据的历史模拟）。Acerbi和Tasche通过涉及条件期望而非简单尾部平均的表示建立了次可加性，证明ES在连续、离散和混合等所有分布类型中都保持一致。

这一点至关重要，因为从业者曾提出合理的反对意见：如果ES仅在理想化的分布假设下有效，那么它相对于VaR的理论优势纯属学术。2002年的证明彻底消除了这一反对意见。

另外，Acerbi (2002)将该结果扩展到整个谱风险度量类别，ES是其中最简单的成员。谱度量通过非递减函数对尾部损失加权，使风险管理者能够表达对极端结果的不同程度的厌恶。

VaR与ES在实务中的分歧

VaR与ES之间的实务差距取决于尾部的厚度。在正态分布下，95% ES大约是95% VaR的1.28倍，差异适中。在信用、大宗商品以及压力时期股票市场常见的肥尾分布下，这一比率急剧扩大。

当ES与VaR的比率超过2.0时，表明损失分布具有比正态假设所暗示的更厚的尾部。在这种体制下，VaR低估了对投资组合构成存亡威胁的事件的严重程度。正如Yamai和Yoshiba (2005)所记录的，在尾部风险升高期间仅依赖VaR的机构系统性地低估了资本需求。

这种分歧与驱动尾部风险对冲策略的关切直接相关：对投资组合存续最重要的损失恰恰是VaR所丢弃的损失。围绕VaR阈值设计的对冲方案可能使投资组合暴露于真正威胁偿付能力的回撤之中。

监管后果

巴塞尔银行监管委员会在交易账簿根本性审查 (2019)中采用97.5%期望损失作为主要市场风险资本度量，取代了自Basel II以来管辖银行资本的99% VaR标准。选择97.5% ES而非99% ES是刻意的：在正态分布下，97.5% ES在数值上与99% VaR大致相当，在从根本上升级风险度量的数学属性的同时确保了资本水平的大致连续性。

这一转变消除了特定的监管套利。在基于VaR的资本规则下，交易员可以卖出不影响报告VaR的深度虚值期权以获取稳定的权利金收入。ES在构造上通过对整个尾部取平均来捕捉这些损失。Embrechts, McNeil和Straumann (2002)曾就相关性依赖型投资组合中这类脆弱性发出过警告。

值得承认的局限性

ES也并非没有权衡。ES的回测比VaR更困难，因为验证平均值比验证阈值突破需要更多数据点。Tasche (2002)讨论了可引出性问题。ES本身不具有可引出性，但与VaR联合则具有可引出性。这一结果体现在FRTB将ES用于资本计算、VaR用于回测的混合方法中。

ES对远端尾部的估计误差也更为敏感。在有限的历史数据下，最差2.5%观测值的平均带有相当大的抽样不确定性。这并非回归VaR的理由，但意味着ES估计应附带置信区间或以压力情景作为补充。

框架衔接

对于跨资产类别管理风险溢价的投资者而言，风险度量的选择塑造着投资组合构建决策。最大回撤框架捕捉路径依赖的最坏情况，而ES捕捉某一时点的分布尾部严重程度。这些视角相互补充而非替代。日常阈值管理使用VaR、资本配置和尾部感知使用ES、累积路径风险使用最大回撤的机构，拥有比依赖任何单一指标的机构更加完整的全景。

Acerbi和Tasche的证明确立了，在这些工具中，期望损失是在尊重分散化数学的同时揭示最重要情景中发生了什么的工具。